CN110796121A - S变换及优化随机森林诊断高压断路器机械故障的方法 - Google Patents
S变换及优化随机森林诊断高压断路器机械故障的方法 Download PDFInfo
- Publication number
- CN110796121A CN110796121A CN201911146141.3A CN201911146141A CN110796121A CN 110796121 A CN110796121 A CN 110796121A CN 201911146141 A CN201911146141 A CN 201911146141A CN 110796121 A CN110796121 A CN 110796121A
- Authority
- CN
- China
- Prior art keywords
- circuit breaker
- voltage circuit
- transformation
- random forest
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000009466 transformation Effects 0.000 title claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims abstract description 38
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 30
- 238000003745 diagnosis Methods 0.000 claims abstract description 25
- 239000013598 vector Substances 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 19
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 claims description 8
- 238000005461 lubrication Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 17
- 230000000694 effects Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000036039 immunity Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
- G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
- G01R31/3275—Fault detection or status indication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
S变换及优化随机森林诊断高压断路器机械故障的方法属于高压断路器机械故障判断技术领域。本发明中振动信号先采用S变换，得到信号的时‑频矩阵，再利用局部奇异值分解，提取信号的时‑频域特征向量。S变换的特征表现能力强，能全面、直观的展示断路器振动信号的时‑频域特性；S变换抗噪能力强，在S变换的过程中能显著降低噪声干扰；局部奇异值分解方法将S变换后的时‑频矩阵分解，提取分解后每一部分的最大奇异值作为特征向量，更能突出信号的特性，更有利于故障诊断。随机森林模型通过树的棵数对泛化误差与诊断准确率的综合影响来找到最优树的棵数，进一步提高HVCBs状态识别的准确性。
Description
技术领域
本发明属于高压断路器机械故障判断技术领域，特别是涉及到一种S变换及优化随机森林诊断高压断路器机械故障的方法。
背景技术
高压断路器(High Voltage Circuit Breakers，HVCBs)在电力***中的应用众多且本身结构复杂，易受外界因素的影响。高压断路器故障多数属于机械故障，而分析HVCBs动作产生的振动信号能发现多种由于机械性能不良而导致的断路器故障。断路器振动信号具有复杂度高、易受噪声干扰、非平稳、非线性的特点，信号处理多采用时-频分析方法。常用方法包括小波变换、经验模态分解、集合经验模态分解和局域均值分解等。小波变换有较好的局部特征表现能力，但在实际应用中小波基的选择难度较大。经验模态分解和局域均值分解对频率相近分量的分离能力较差，且存在模态混叠现象；集合经验模态分解加入白噪声来抑制模态混叠现象，但也增加了运算量，并且会分解出超出真实信号组成的多个分量。S变换特征表现能力与抗噪能力强，能直观展现振动信号的时-频特性，适合具有复杂时-频特性的振动信号的分析与处理。
高压断路器机械故障由于现有故障类型与故障程度少，很难获得包含所有故障类型的训练样本。目前HVCBs状态识别的常用方法包括支持向量机(Support VectorMachine，SVM)和神经网络(Neural Net,NN)等。SVM不易陷入局部最优解和过学习，比较适合小样本分类问题，但是训练速度较慢、参数选择困难。NN自学习能力和非线性模式识别能力强，但训练速度慢且易陷入局部最优解。
随机森林(Random Forest，RF)需要优化的参数少，抗噪性良好，处理小样本数据时的准确度高，且不易陷入过拟合，适合高压断路器的故障诊断。已有专利CN201810457787-一种基于随机森林的断路器机械故障诊断方法及***中采用传统的随机森林分类器，并没有对随机森林模型的参数进行优化选择，分类效果较差。另外该专利中只提取断路器振动信号数据的时域特征向量，无法得到全面的特征信息，特征提取的效果差，最终故障诊断的准确率低。同时此专利只提取了7种时域特征，数量过少，不利于分类器识别。
因此现有技术当中亟需要一种新型的技术方案来解决这一问题。
发明内容
本发明所要解决的技术问题是：提供一种S变换及优化随机森林诊断高压断路器机械故障的方法用于解决采用传统随机森林分类器的断路器机械故障诊断方法分类效果较差，故障诊断准确率低的技术问题。
S变换及优化随机森林诊断高压断路器机械故障的方法，包括以下步骤，并且以下步骤顺次进行，
步骤一、对正常状态、铁芯卡涩状态、螺丝松动状态以及拐臂拐臂润滑不足状态四种机械状态下的高压断路器振动进行信号采集，采样信号的坐标零点为断路器动作初始时刻，信号采样率相同，振动信号记录起点与采集信号时间长度相同；
步骤二、将四种机械状态的振动信号分别进行S变换，获得信号的时-频特性矩阵；
步骤三、局部奇异值分解
在采样总时间的中段选取采样点，对采样起始点至选取采样点之间的时-频特性矩阵进行奇异值分解SVD处理，将时-频特性矩阵，沿时域和频域分别等距离划分为若干子矩阵，分别计算并获得各最大奇异值，并构建特征向量，除去特征向量中小于设定阈值的数值，获得不含噪声的高压断路器振动信号特征值；
步骤四、在Matlab中构建随机森林分类器模型，从步骤一中获得的四种机械状态振动信号中，各取20组振动信号作为分类器的训练样本，对训练样本进行S变换和局部奇异值分解，分别获得不含噪声的高压断路器振动信号特征值，将获得的不含噪声的高压断路器振动信号特征值向量输入随机森林分类器模型中进行训练优化分类器参数，获得训练完成的随机森林故障状态分类器；
步骤五、将采集到的高压断路器的振动信号通过S变换和局部奇异值分解，不含噪声的高压断路器振动信号特征值向量输入到步骤四中训练完成的随机森林故障状态分类器中，获得此信号所反映的高压断路器状态。
所述步骤一中采样信号的采样率均设置为25.6kS/s。
所述步骤四中随机森林分类器模型优化的参数包括树的棵数、树的最大深度和单个决策树的最大特征数。
通过上述设计方案，本发明可以带来如下有益效果：
本发明中振动信号先采用S变换，得到信号的时-频矩阵，再利用局部奇异值分解，提取信号的时-频域特征向量。S变换的特征表现能力强，能全面、直观的展示断路器振动信号的时-频域特性；S变换抗噪能力强，在S变换的过程中能显著降低噪声干扰；局部奇异值分解方法将S变换后的时-频矩阵分解，提取分解后每一部分的最大奇异值作为特征向量，更能突出信号的特性，更有利于故障诊断。
随机森林包括很多参数，其中树的棵数对诊断准确率影响最大，树的棵数越多分类越准确，但占用的内存与训练时间也会相应增长，因此最优树的棵数选择难度较大。泛化误差可以衡量随机森林模型的分类准确性、计算速度和泛化能力等，泛化误差与随机森林的分类效果成反比。因此通过树的棵数对泛化误差与诊断准确率的综合影响来找到最优树的棵数。此方法能在保证随机森林模型的故障诊断准确率的同时最大限度的减小内存占用和训练时间。通过泛化误差与诊断准确率为综合指标对树的棵数寻优，构成优化随机森林(Optimized Random Forest，ORF)，进一步提高HVCBs状态识别的准确性。
附图说明
以下结合附图和具体实施方式对本发明作进一步的说明：
图1为本发明S变换及优化随机森林诊断高压断路器机械故障的方法中***采集的正常状态实测振动信号图。
图2为本发明S变换及优化随机森林诊断高压断路器机械故障的方法中***采集的铁芯卡涩状态实测振动信号图。
图3为本发明S变换及优化随机森林诊断高压断路器机械故障的方法中***采集的螺丝松动状态实测振动信号图。
图4为本发明S变换及优化随机森林诊断高压断路器机械故障的方法中***采集的拐臂润滑不足状态实测振动信号图。
图5为本发明S变换及优化随机森林诊断高压断路器机械故障的方法中正常状态振动信号进行S变换后的时-频矩阵图。
图6为本发明S变换及优化随机森林诊断高压断路器机械故障的方法中铁芯卡涩状态振动信号进行S变换后的时-频矩阵图。
图7为本发明S变换及优化随机森林诊断高压断路器机械故障的方法中螺丝松动状态振动信号进行S变换后的时-频矩阵图。
图8为本发明S变换及优化随机森林诊断高压断路器机械故障的方法中拐臂润滑不足状态振动信号进行S变换后的时-频矩阵图。
图9为本发明S变换及优化随机森林诊断高压断路器机械故障的方法中正常状态振动信号的时-频矩阵图进行局部奇异值分解后的特征向量图。
图10为本发明S变换及优化随机森林诊断高压断路器机械故障的方法中铁芯卡涩状态振动信号的时-频矩阵图进行局部奇异值分解后的特征向量图。
图11为本发明S变换及优化随机森林诊断高压断路器机械故障的方法中螺丝松动状态振动信号的时-频矩阵图进行局部奇异值分解后的特征向量图。
图12为本发明S变换及优化随机森林诊断高压断路器机械故障的方法中拐臂润滑不足振动信号的时-频矩阵图进行局部奇异值分解后的特征向量图。
图13为本发明S变换及优化随机森林诊断高压断路器机械故障的方法中树的棵数寻优图。
图14为本发明S变换及优化随机森林诊断高压断路器机械故障的方法的故障诊断流程图。
具体实施方式
S变换及优化随机森林诊断高压断路器机械故障的方法，包括以下步骤：
1、高压断路器振动信号采集
分析对象为高压断路器，压电式加速度传感器与NI9234数据采集卡用于采集、记录振动信号数据，它们共同组成了信号采集***。采样信号的坐标零点为断路器将要动作时刻(触发卡为信号采集卡发送信号采集指令)，信号采样率设置为25.6kS/s，4种机械状态下的振动信号记录起点与采集信号时间长度相同。此***采集的信号数据如图1～图4所示共分四状态：正常状态；铁心卡涩；螺丝松动；润滑不良。
2、振动信号S变换
S变换是一种时-频分析方法，对信号加上一个窗宽与频率成反比的高斯窗，有效改善了窗函数选择的复杂性和窗宽固定的局限性，能直接反映信号的时-频特性。图1～图4的原始信号均需要经过以下S变换过程。
对于一维连续时间信号h(t)，其连续的S变换S(τ，f)定义为
式(1)、(2)中：w(τ-t，f)为高斯窗函数；τ为控制高斯窗位置的平移因子参数，t为时间，f为频率，i为虚数单位。
设S(τ，f)的傅里叶变换为R(β，f)，有
式(3)中，β为平移频率，H(f)为h(t)的傅里叶变换。通过傅里叶逆变换有
式(4)中，f≠0
令f→nLT,τ→jT(L为数据长度，T为采样间隔时间，n为采样点数，j为采样周期数)，得到S变换的离散形式
式(5)中，m表示第m个采样周期。
HVCBs四种状态下的振动信号经S变换处理后得到时-频模值矩阵如图5～图8所示。与正常信号相比，铁心卡涩故障的能量波动出现时间较晚，而频域上的能量分布基本一致；基座螺丝松动故障的能量波动随时间变化小，能量更集中于低频部分；拐臂润滑不良故障的振动时间更长，低频部分的能量更高。
3、局部奇异值分解
振动信号在采样总时间的后半段幅值较小，而且没有明显差别，因此为了更准确的获得有效信息，只对某个采样点前的矩阵进行SVD处理。对于整个时-频矩阵，沿时域和频域分别等距离划分为若干子矩阵，分别计算最大奇异值，并构建特征向量。
由图5中S变换后的时-频矩阵可以看出，当时间大于2000ms时，四种状态的振动信号幅值都较小，而且没有明显差别。因此为了更准确的获得有效信息，只对2000ms前的矩阵进行SVD处理。对于整个时-频矩阵，沿时域等距离划分成20个子矩阵，沿频域等距离划分为10个子矩阵，分别计算最大奇异值，构建特征向量如图9～图12所示。其中矩阵的奇异值分解方法如下：
设矩阵X的秩为r，矩阵的维数为m×n，则矩阵X的奇异值分解的形式为：
式(6)中，矩阵U和VH分别是m×m、n×n维的正交矩阵，∑为r×r维的对角矩阵，矩阵∑的对角线数据为矩阵X的奇异值，且不等于0，
如果在式(1)中去掉X的零奇异值，便可以得到化简后的奇异值矩阵X：
式(7)中：ui为U的第i个向量，vi为V的第i个向量，δi为矩阵X的第i个奇异值。
设采集的信号为y(i)(i＝1,2，…，N)，对信号进行重构矩阵，重构后的矩阵A为：
式(8)中，M为矩阵A的行数，N为信号总个数。
利用式(1)对矩阵2进行奇异值分解，分解后得到一组不为零奇异值δi。根据信息的传递性，如果y(i)含有噪声，则矩阵A也含有噪声，所有的信息都在奇异值δi中。在这组不为零的奇异值δi中，前面P个数值比较大的代表的是有用信号，较小则是噪声，如果除去较小的数值，就相当于除去了噪声信号，由此得到了不含噪声的高压断路器振动信号特征值。
4、随机森林模型的构建及参数优化
将高压断路器在正常状态、铁芯卡涩、润滑不足、螺丝松动四种状态下的振动信号各取20组作为分类器的训练样本，对训练样本进行S变换和局部奇异值分解后，将得到的特征向量输入随机森林分类器模型中进行训练，得到最终训练完成的随机森林故障状态分类器。为了提高分类准确性，需要先进行随机森林模型的构建，再对随机森林模型中的参数进行优化。
1)随机森林构建
随机森林是一种基于决策树和集成学习的新型强分类器，集合了自助抽样和随机子空间两种思想，其抗噪性好、需要优化的参数少、受过拟合影响小。随机森林的构建流程可分为以下三个步骤：
Step1：对于有m个样本的原始特征集合N，利用自助重采样技术有放回地抽取N中的样本，组成新的样本集合作为训练集，共抽取k次，每个训练集中的样本数都与N相同，均为m。
Step2：选取一个训练集建立决策树模型，决策树任其生长，不进行剪枝处理。当训练集中的样本数为1无法继续***，或训练集的熵为0所有样本均指向同一个标签时停止生长。
Step3：对每个训练集进行上述步骤一次，生成k棵子决策树，共同构成随机森林。
2)随机森林分类
测试集数据输入随机森林后共产生k个结果，最终结果由投票决定，投票公式为
式(9)中，x为待测数据；y为目标分类；R(x)为分类的结果；ri(x)为第i棵决策树模型；arg为取平均值；I为示性函数。
3)随机森林参数优化
随机森林涉及可调参数包括树的棵数、树的最大深度、单个决策树的最大特征数等。各参数对随机森林性能有不同程度的影响，其中树的棵数对诊断准确率影响较大，树的棵数越多分类越准确，但占用的内存与训练时间也会相应增长，因此最优树的棵数选择难度较大。
泛化误差可以衡量随机森林模型的分类准确性、计算速度和泛化能力等，泛化误差与随机森林的分类效果成反比。因此可以通过树的棵数对泛化误差与诊断准确率的综合影响来找到最优树的棵数。泛化误差的计算方法如下：
PE*＝Px,y(K(x,y)＜0)
式(10)中，PE*为泛化误差；Px,y为待测数据与目标分类的概率分布函数；K(x,y)为余量函数；θk为与第k棵数独立分布的随机向量；r(x,θk)为第k棵树的模型；j为待测数据x的某一分类。
为了检验泛化误差与诊断准确率综合指标对树的棵数的寻优效果，对随机森林RF进行训练，结果如图13所示。在树的棵数从0到160的变化过程中，ORF的泛化误差先降低后升高，故障诊断准确率先迅速升高后缓慢升高。综合考虑泛化误差与诊断准确率的变化情况，当树的棵数为80时，泛化误差达到最低值0.203，此时诊断准确率高达96.27％，并且在树的棵数大于80时诊断准确率的提高不明显，所以当棵数为80时RF的综合分类效果最佳。整个故障诊断流程如图14所示。
Claims (3)
1.S变换及优化随机森林诊断高压断路器机械故障的方法，其特征是：包括以下步骤，并且以下步骤顺次进行，
步骤一、对正常状态、铁芯卡涩状态、螺丝松动状态以及拐臂拐臂润滑不足状态四种机械状态下的高压断路器振动进行信号采集，采样信号的坐标零点为断路器动作初始时刻，信号采样率相同，振动信号记录起点与采集信号时间长度相同；
步骤二、将四种机械状态的振动信号分别进行S变换，获得信号的时-频特性矩阵；
步骤三、局部奇异值分解
在采样总时间的中段选取采样点，对采样起始点至选取采样点之间的时-频特性矩阵进行奇异值分解SVD处理，将时-频特性矩阵，沿时域和频域分别等距离划分为若干子矩阵，分别计算并获得各最大奇异值，并构建特征向量，除去特征向量中小于设定阈值的数值，获得不含噪声的高压断路器振动信号特征值；
步骤四、在Matlab中构建随机森林分类器模型，从步骤一中获得的四种机械状态振动信号中，各取20组振动信号作为分类器的训练样本，对训练样本进行S变换和局部奇异值分解，分别获得不含噪声的高压断路器振动信号特征值，将获得的不含噪声的高压断路器振动信号特征值向量输入随机森林分类器模型中进行训练优化分类器参数，获得训练完成的随机森林故障状态分类器；
步骤五、将采集到的高压断路器的振动信号通过S变换和局部奇异值分解，不含噪声的高压断路器振动信号特征值向量输入到步骤四中训练完成的随机森林故障状态分类器中，获得此信号所反映的高压断路器状态。
2.根据权利要求1所述的基于S变换的高压断路器机械故障优化随机森林诊断方法，其特征是：所述步骤一中采样信号的采样率均设置为25.6kS/s。
3.根据权利要求1所述的基于S变换的高压断路器机械故障优化随机森林诊断方法，其特征是：所述步骤四中随机森林分类器模型优化的参数包括树的棵数、树的最大深度和单个决策树的最大特征数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911146141.3A CN110796121A (zh) | 2019-11-21 | 2019-11-21 | S变换及优化随机森林诊断高压断路器机械故障的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911146141.3A CN110796121A (zh) | 2019-11-21 | 2019-11-21 | S变换及优化随机森林诊断高压断路器机械故障的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110796121A true CN110796121A (zh) | 2020-02-14 |
Family
ID=69445740
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911146141.3A Pending CN110796121A (zh) | 2019-11-21 | 2019-11-21 | S变换及优化随机森林诊断高压断路器机械故障的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110796121A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111458145A (zh) * | 2020-03-30 | 2020-07-28 | 南京机电职业技术学院 | 一种基于路图特征的缆车滚动轴承故障诊断方法 |
| CN111638047A (zh) * | 2020-05-25 | 2020-09-08 | 国网河北省电力有限公司电力科学研究院 | 一种gis设备机械故障诊断***及方法 |
| CN111879397A (zh) * | 2020-09-01 | 2020-11-03 | 国网河北省电力有限公司检修分公司 | 高压断路器储能机构故障诊断方法 |
| CN112083327A (zh) * | 2020-09-08 | 2020-12-15 | 广东电网有限责任公司广州供电局 | 一种高压真空断路器机械故障诊断方法及*** |
| CN112083328A (zh) * | 2020-09-08 | 2020-12-15 | 广东电网有限责任公司广州供电局 | 一种高压断路器故障诊断方法及***和装置 |
| CN112327149A (zh) * | 2020-10-19 | 2021-02-05 | 西安工程大学 | 基于ssd-srae的高压断路器故障诊断方法 |
| CN113567131A (zh) * | 2021-07-29 | 2021-10-29 | 沈阳建筑大学 | 基于s变换与微型卷积神经网络模型的轴承故障诊断方法 |
| CN115342900A (zh) * | 2022-08-15 | 2022-11-15 | 东北石油大学 | 一种基于随机森林的激光自混合干涉微振动测量方法及*** |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108062571A (zh) * | 2017-12-27 | 2018-05-22 | 福州大学 | 基于差分进化随机森林分类器的光伏阵列故障诊断方法 |
| CN108680348A (zh) * | 2018-05-14 | 2018-10-19 | 国网山东省电力公司莱芜供电公司 | 一种基于随机森林的断路器机械故障诊断方法及*** |
| CN109597401A (zh) * | 2018-12-06 | 2019-04-09 | 华中科技大学 | 一种基于数据驱动的设备故障诊断方法 |
| CN109886464A (zh) * | 2019-01-20 | 2019-06-14 | 东北电力大学 | 基于优化奇异值分解生成特征集的低信息损失短期风速预测方法 |
-
2019
- 2019-11-21 CN CN201911146141.3A patent/CN110796121A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108062571A (zh) * | 2017-12-27 | 2018-05-22 | 福州大学 | 基于差分进化随机森林分类器的光伏阵列故障诊断方法 |
| CN108680348A (zh) * | 2018-05-14 | 2018-10-19 | 国网山东省电力公司莱芜供电公司 | 一种基于随机森林的断路器机械故障诊断方法及*** |
| CN109597401A (zh) * | 2018-12-06 | 2019-04-09 | 华中科技大学 | 一种基于数据驱动的设备故障诊断方法 |
| CN109886464A (zh) * | 2019-01-20 | 2019-06-14 | 东北电力大学 | 基于优化奇异值分解生成特征集的低信息损失短期风速预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 方匡南: "《随机森林组合预测理论及其在金融中的应用》", 31 May 2012, 厦门大学出版社 * |
| 黄南天等: "基于S变换和极限学习机的高压断路器机械故障诊断", 《高压电器》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111458145A (zh) * | 2020-03-30 | 2020-07-28 | 南京机电职业技术学院 | 一种基于路图特征的缆车滚动轴承故障诊断方法 |
| CN111638047A (zh) * | 2020-05-25 | 2020-09-08 | 国网河北省电力有限公司电力科学研究院 | 一种gis设备机械故障诊断***及方法 |
| CN111879397A (zh) * | 2020-09-01 | 2020-11-03 | 国网河北省电力有限公司检修分公司 | 高压断路器储能机构故障诊断方法 |
| CN112083327A (zh) * | 2020-09-08 | 2020-12-15 | 广东电网有限责任公司广州供电局 | 一种高压真空断路器机械故障诊断方法及*** |
| CN112083328A (zh) * | 2020-09-08 | 2020-12-15 | 广东电网有限责任公司广州供电局 | 一种高压断路器故障诊断方法及***和装置 |
| CN112327149A (zh) * | 2020-10-19 | 2021-02-05 | 西安工程大学 | 基于ssd-srae的高压断路器故障诊断方法 |
| CN113567131A (zh) * | 2021-07-29 | 2021-10-29 | 沈阳建筑大学 | 基于s变换与微型卷积神经网络模型的轴承故障诊断方法 |
| CN113567131B (zh) * | 2021-07-29 | 2024-05-03 | 沈阳建筑大学 | 基于s变换与微型卷积神经网络模型的轴承故障诊断方法 |
| CN115342900A (zh) * | 2022-08-15 | 2022-11-15 | 东北石油大学 | 一种基于随机森林的激光自混合干涉微振动测量方法及*** |
| CN115342900B (zh) * | 2022-08-15 | 2024-04-30 | 东北石油大学 | 一种基于随机森林的激光自混合干涉微振动测量方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110796121A (zh) | S变换及优化随机森林诊断高压断路器机械故障的方法 | |
| CN109612708B (zh) | 基于改进卷积神经网络的电力变压器在线检测***及方法 | |
| CN112084974B (zh) | 一种基于元学习的多标签滚动轴承故障诊断方法 | |
| CN110657985B (zh) | 基于奇异值谱流形分析的齿轮箱故障诊断方法及*** | |
| CN110261109B (zh) | 一种基于双向记忆循环神经网络的滚动轴承故障诊断方法 | |
| CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
| CN110334580A (zh) | 基于集成增量的动态权重组合的设备故障分类方法 | |
| CN106597260A (zh) | 基于连续小波分析和elm网络的模拟电路故障诊断方法 | |
| CN111738309B (zh) | 多尺度分析和集成学习的气敏传感器故障模式识别方法 | |
| CN111412977A (zh) | 一种机械设备振动感知数据的预处理方法 | |
| CN110796120A (zh) | 基于时域特征的断路器机械故障XGBoost诊断方法 | |
| CN106444666B (zh) | 基于加权型动态分布式pca模型的动态过程监测方法 | |
| CN113408458A (zh) | 一种基于振动信号特征熵融合的断路器故障诊断方法 | |
| CN106771589B (zh) | 一种频谱分析实时瀑布图的实现方法 | |
| CN110515096A (zh) | 基于卷积神经网络的卫星导航干扰信号识别装置及其方法 | |
| CN111680725A (zh) | 基于重构贡献的气体传感器阵列多故障隔离算法 | |
| CN113537102B (zh) | 一种微震信号的特征提取方法 | |
| CN112462355A (zh) | 一种基于时频三特征提取的对海目标智能检测方法 | |
| CN117349614A (zh) | 基于自注意力机制和时空图卷积网络的频率稳定预测方法 | |
| CN111025100A (zh) | 变压器特高频局部放电信号模式识别方法与装置 | |
| CN113158781B (zh) | 一种雷击跳闸类型识别方法 | |
| CN114239653A (zh) | 一种基于kpca-miv-lstm的故障电弧多域识别方法 | |
| CN116559650A (zh) | 一种基于多维熵距的自动转换开关故障识别方法 | |
| CN116610990A (zh) | 一种基于特征空间差异化的断路器隐患识别方法及装置 | |
| CN112560888B (zh) | 基于辛几何变换评估变压器绕组抗短路能力的方法及*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200214 |